卫宁健康：基于AI引擎的骨龄辅诊系统

来自国家健康卫生领域纲领性文件《健康中国行动（2019—2030年）》的统计数据显示：我国7～18岁城市男生和女生的肥胖检出率已达到11.1%和5.8%，与此同时，儿童性早熟率也达到了约1%。这与我国目前小儿常见内分泌问题——儿童的长个息息相关。在临床上，骨龄能更加准确地反映个体的生长发育水平和成熟程度。然而不同于其它技术的进步，现在的骨龄鉴定法依然使用上世纪50年代发明的方法。传统的骨龄片研判有两种方法：

一是G-P图谱法。由于其使用简便、直观、耗时短，被国内外临床专家广泛采用。然而由于许多儿童手腕骨的发育不像标准片均衡，G-P法在使用过程中仍然存在主观性及不精确性问题。

二是TW3计分法。TW3法精确但较为繁琐，耗时长，需对桡-尺-掌指骨及腕部共20块骨分别做8个等级的评分和计算，即便使用计算机软件也需耗时15分钟，临床实际工作中难以推行。

通过本案例的建设和应用，在骨影像输入后，基于AI引擎的骨龄辅诊系统可迅速完成找骨骼、定级、判定和输出结果。利用深度学习技术，结合TW3计分法、GP图谱法等骨龄判读标准，判断每块手骨的特征，检测精确度可达到0.1岁，骨龄值误差在3个月以内，从而有效规避传统骨龄研判方法存在的弊端，快速辅助医院完成儿童骨龄检测，判定儿童生长发育水平和成熟度。

（1）基于深度学习的骨龄辅诊系统

图1 骨龄辅诊系统

通过深度卷积神经网络等系统，判定并勾画出骨龄生长发育关键部位，提取关键部位骨龄影像学高维特征，实现对于儿童骨龄的精准判断。

借助机器学习技术，从复杂的碎片化医疗信息文本中，自动化、半自动化的抽取医疗语义本体及相互之间的关系，针对骨龄专科文本数据建立术语词典，实现骨龄检查报告文本的自动分词；借助人工智能算法实现骨龄检测报告文本的语义分析，实现骨龄专科语言的实体识别和关系识别，将骨龄检查报告转化为结构化的指标数据；形成骨龄检查专病指标库，借助大数据分析手段实现骨龄检查指标与骨龄发育情况的关联关系模型。

图2 影像采集、融合一体化

在本案例中，骨龄辅诊系统与院内PACS、RIS系统高度整合，实现从影像采集、影像检测、报告生成在内的一体化融合服务，整体业务流程如下：

（1）基于CH Bone AI模型的骨龄影像识别

图3 CH Bone AI模型处理流程

本案例进一步研发了基于整张手腕部DR影像深度学习特征的BA回归模型，使模型自主学习手腕部影像中对BA检测所有有益结构形态特征和区域，实现精确自动化BA预测。其中，回归BA选用L1损失和L2损失相结合的联合损失函数，即（L1损失平均绝对误差<MAE>，L2损失均方误差<MSE>，L1损失对异常数据的鲁棒性较好，L2损失在靠近目标值时梯度较小、更容易训练），参与卷积神经网络训练，以最小化类内特征距离和最大化类间特征距离，提高特征的鉴别能力，并避免训练过程过慢，从而进一步提高BA影像分类识别性能和检测效率，效果比较鲁棒。

同时，本案例采用了Adam这种可以替代传统随机梯度下降过程的一阶优化算法，实现基于训练数据迭代地更新神经网络权重；运用Grad-cam方法，实现根据特征图的梯度和激活情况来显示出模型所关注的区域。

总之，比较以往根据指定区域特征学习和预测BA模型，CH Bone AI模型实现了基于整张手腕部DR影像高阶特征学习和预测BA，实现了端到端深度学习，并应用神经网络的注意力机制，通过热力图实现了数据模型可视化。

图4 验证集

图5 测试集

（2）基于自然语言处理的报告应用系统

借助机器学习技术，从复杂的碎片化医疗信息文本中，通过自动化、半自动化的方式抽取医疗语义本体及相互之间的关系，对骨龄检查报告进行分词，挖掘骨龄检查报告分析指标，构成骨龄检查专病指标库，其中包括骨龄指标维护、骨龄分词管理与维护、数据描绘和骨龄病例索引基于知识图数据库构建医疗本体语义网络。

结合中国儿童骨龄分词词典，生成符合临床医生诊断模式的影像学辅助报告，放射学诊断意见。通过关联其他数据，以及大数据挖掘和后结构化分析模块，给出最后的骨龄年龄判断。在这个过程中，运用了包括分词线程、数据抽取、分词处理等自然语言处理技术，以及包括骨龄检测词典在内的专业医疗词典数据作为分词处理的基础支撑。

图6 报告应用系统

在最终的检查报告中，包括检测部位、影像学表现和诊断结论，生成的报告可以一键导入RIS系统并支持修改，提升整体使用效率。

卫宁健康的骨龄检测产品影像定位准确率达到98%。平均处理每张影像耗时0.4秒。常用评价骨龄检测方法的指标是平均绝对误差（MAE），MAE是指测得骨龄与临床骨龄之差的绝对值。

上海市儿童医院：

2017年，卫宁健康携手上海市儿童医院开始研发CHBoneAI模型。经过一年多的训练、测试及验证，在2018年初开始试运行，4月正式临床应用。

在随后的使用过程中经过不断的打磨，医生的采纳率从最初的95%达到了目前的99%。同时，在上海市儿童医院通过HIMSS 7的评审过程中，评审专家一致认为上海市儿童医院在医疗人工智能上的探索让人惊艳。

截止到2020年10月，共检测121,977例病例。以每月22个工作日计算，每天约进行184例检测。每天可以为医生节省4,048分钟（22分钟*184例），一年按320天计算，全年节省1,295,360分钟，合计约21,589小时。

通过本案例的建设和应用，在骨影像输入后，人工智能可迅速完成找骨骼、定级、判定和输出结果。利用深度学习技术，结合TW3计分法、GP图谱法等骨龄判读标准，判断每块手骨的特征，检测精确度可以达到0.1岁，骨龄值误差在3个月以内。

在未来，该项目对于中国健康儿童大样本骨龄数据库的建立、我国骨发育评价标准的制定、儿科医联体的共赢协作和健康发展等方面有着良好的促进作用和推动作用。

长期以来，我国缺乏大样本的骨龄和身高长期追踪观察数据，中国健康儿童的骨龄数据库并未建立起来。本案例建设不仅有利于提高医院自身的学科建设和诊疗水平，同时也有利于建立社会公共人口健康样本数据和信息资源，将院内涉及个人隐私信息进行脱敏处理后，为社会提供更大价值的利用，有利于推动中国健康儿童大样本骨龄数据库的建立，进而为中国儿童提供更全面的健康分析和更精准的医疗服务。

（2）推动我国骨发育评价标准的制定

人的骨骼生长发育受到遗传因素、营养水平、饮食习惯、地理环境、人文环境等多重因素的影响，不同年代、不同种族和区域的儿童青少年的发育会有所不同。所以，针对不同民族和区域，应当制定相应的骨发育评价标准，并随社会发展因素的变化及时修订。

随着基于AI引擎的骨龄辅助诊断应用的研发与运用，卫宁健康将和医疗机构一起共同推动建立中国儿童青少年骨龄判读标准。

对儿科医联体，以技术合作和利益共赢为纽带，通过签订合作协议，建立技术支持、人员培训、双向转诊、远程医疗、费用结算等制度，促使联合体内医疗机构之间的业务协作。建立远程会诊专家团队、建立专科团队、建立典型病例资料库。通过骨龄检测和诊断资料库，对医联体内存储的医学影像数据、骨龄数据进行深度挖掘，为进一步提高医联体内医疗教学水平、科研水平提供信息支撑。